Rancang bangun sistem pengenalan suara menggunakan jaringan syaraf tiruan ekstraksi ciri Linear Predictive Coding (LPC)

Santi, Ratna (2014) Rancang bangun sistem pengenalan suara menggunakan jaringan syaraf tiruan ekstraksi ciri Linear Predictive Coding (LPC). Diploma thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_COVER.pdf

Download (108kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_ABSTRAK.pdf

Download (202kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_DAFTAR ISI.pdf

Download (118kB) | Preview
[img]
Preview
Text (BAB I)
4_BAB I.pdf

Download (215kB) | Preview
[img] Text (BAB II)
5_BAB II.pdf
Restricted to Registered users only

Download (518kB)
[img] Text (BAB III)
6_BAB III.pdf
Restricted to Registered users only

Download (368kB)
[img] Text (BAB IV)
7_BAB IV.pdf
Restricted to Registered users only

Download (1MB)
[img] Text (BAB V)
8_BAB V.pdf
Restricted to Registered users only

Download (477kB)
[img] Text (BAB VI)
9_BAB VI.pdf
Restricted to Registered users only

Download (107kB)
[img] Text (DAFTAR PUSTAKA)
10_DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (198kB)

Abstract

Pengenalan ucapan (speech recognition) merupakan upaya agar manusia bisa berkomunikasi dengan mesin atau alat dengan media suara. Penelitian ini membahas mengenai pengenalan suara untuk menganalisis dan mengenali tiga buah ucapan kalimat, yang masing – masing kalimat terdiri dari dua kata dengan subjek dan objek yang berbeda. Kalimat tersebut diucapkan 9 kali oleh 5 orang responden.Dalam proses pengenalan ucapan atau suara itu sendiri digunakan ekstraksi ciri Linear Predictive Coding (LPC), sedangkan pola pengenalannya menggunakan metode Jaringan Syaraf Tiruan. LPC ialah salah satu metode analisis suara untuk mengekstrak ciri – ciri penting dari sinyal suara tersebut dalam bentuk koefisien - koefisien LPC. Sedangkan JST untuk mencari parameter suara yang digunakan untuk pelatihan dan pengenalan. Pengaplikasian LPC dan JST pada penelitian ini menggunakan software Matlab.Parameter JST dijadikan menjadi beberapa variasi dan dipilih yang memiliki nilai akurasi tertinggi lalu dijadikan data uji. Pengujian dari 45 data latih didapat persentase pengenalan sebesar 80% untuk jaringan Net8 dengan nilai parameter Hidden layer 1, Neuron size 8, Epoch 1000, Max_fail 13, Mu 0.008, dan Mu_dec 0.8. Pengujian real time dari 2 orang penguji didapatkan persentase pengenalan dari nilai akurasi maksimal sebesar 40%.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: Speech Recognition; Linear Predictive Coding; Neural Network; Matlab
Subjects: Applied Physics > Electronics
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Elektro
Depositing User: rofita fita robi'in
Date Deposited: 13 Nov 2018 06:42
Last Modified: 28 Jun 2022 07:50
URI: https://digilib.uinsgd.ac.id/id/eprint/16593

Actions (login required)

View Item View Item